Ultra Fast Warm Start Solution for Graph Recommendations
HSE University（俄罗斯莫斯科高等经济大学）
本研究针对图推荐系统UltraGCN的推荐更新需求，提出适配低秩近似的线性热启动方法，速度较传统方法最高快30倍，同时提升推荐质量，具备高可扩展性。
2025-09-01 cs.IR cs.LG
Cold-start recommendations in Collective Matrix Factorization
这项工作探讨了集体矩阵分解模型在推荐系统中对用户和项目进行预测的能力，这些用户和项目有辅助信息，但没有反馈或交互数据，并提出了一种新的公式，具有更快的冷启动预测公式，可用于实时系统。虽然这些冷启动推荐不如热启动推荐好，但发现它们比非个性化推荐质量更好，并且发现对新用户的预测比对新项目的预测更可靠。这里提出的配方导致在许多情况下改进的冷启动建议，在更差的热启动的费用。
2020-03-16 cs.IR cs.LG stat.ML
OFF-Set: One-pass Factorization of Feature Sets for Online Recommendation in Persistent Cold Start Settings
Yahoo! Labs（雅虎实验室）；Yahoo! Smart Ad（雅虎智能广告）
最具挑战性的推荐任务之一是推荐给一个新的，以前看不见的用户。这就是所谓的“用户冷启动”问题。假设用户的某些特征或属性是已知的，用于处理新用户的一种方法是基于他们的特征对他们进行初始建模。受广告定位应用程序的启发，本文描述了一个极端的在线推荐设置，其中冷启动问题是永久的。每个用户只被系统遇到一次，收到一个推荐，要么消费，要么忽略它，注册一个二元奖励。本文介绍了一种新的基于潜在因子分析的推荐算法OFF-Set，它通过将用户的特征映射到一个潜在空间来对用户进行建模。此外，OFF-Set能够对特征对之间的非线性交互进行建模。OFF-Set是为纯粹的在线推荐而设计的，它会根据每个推荐-奖励观察对其模型进行轻量级更新。我们评估OFF-Set对几个国家的最先进的基线，并证明其优越性，对真正的广告定位数据。
2013-08-08 cs.IR cs.LG
Contrastive Learning for Cold Start Recommendation with Adaptive Feature Fusion
Tulane University（杜兰大学）；University of Rochester（罗切斯特大学）；Syracuse University（雪城大学）；Shanghai Jiao Tong University（上海交通大学）；Southwest Jiaotong University（西南交通大学）
本文提出一种融合自适应特征选择、多模态特征融合与对比学习的冷启动推荐模型，在MovieLens-1M上显著优于主流方法，并验证了各模块的有效性。
2025-02-05 cs.IR cs.LG
Cross-domain User Preference Learning for Cold-start Recommendation
DAMO Academy, Alibaba Group（阿里巴巴达摩院）
跨领域冷启动推荐是推荐系统中一个日益重要的问题。现有的工作主要集中在解决跨域用户推荐或冷启动内容推荐。然而，当一个新的领域在其早期阶段发展时，它的潜在用户类似于源领域，但交互少得多。从源域学习用户的偏好并将其转移到目标域是至关重要的，特别是在用户反馈有限的新到达的内容上。为了弥合这一差距，我们提出了一个自我训练的跨领域用户偏好学习（COUPLE）框架，针对冷启动推荐与各种语义标签，如项目的属性或视频的类型。更具体地说，我们考虑三个层次的偏好，包括用户历史，用户内容和用户组提供可靠的推荐。通过由域感知的顺序模型表示的用户历史，频率编码器被应用于用于用户内容偏好学习的底层标签。然后，提出了一个层次记忆树与正交节点表示，以进一步推广跨域的用户组偏好。整个框架采用先进先出（FIFO）队列以对比的方式更新，以获得更独特的表示。在两个数据集上的大量实验证明了COUPLE在用户和内容冷启动情况下的效率。通过部署一周的在线A/B测试，我们发现COUPLE的点击率（CTR）优于淘宝APP上使用的其他基线。目前该方法已在线服务于跨域冷微视频推荐。
2021-12-07 cs.IR cs.LG
Addressing Cold Start For next-article Recommendation
University of Minnesota（明尼苏达大学）
本研究将ALMM模型改造用于MIND数据集上的新闻推荐，通过顺序点击建模和BERT/TF-IDF特征提取，在冷启动场景下优于基线模型，但指出最小修改的ALMM不适用。
2025-08-01 cs.IR cs.LG
Meta-Learning with Adaptive Weighted Loss for Imbalanced Cold-Start Recommendation
Seoul National University（首尔国立大学）
针对冷启动序列推荐中用户反馈不平衡导致元学习适配效果差的问题，提出一种带自适应加权损失的梯度元学习框架，捕捉用户不平衡评分分布并计算个性化自适应损失，经真实数据集实验验证有效。
2023-08-21 cs.IR cs.LG
Multi-Feature Discrete Collaborative Filtering for Fast Cold-start Recommendation
Shandong Normal University（山东师范大学）；Shandong Computer Science Center (National Supercomputer Center in Jinan)（山东省计算中心（国家超级计算济南中心））；Qilu University of Technology (Shandong Academy of Sciences)（齐鲁工业大学（山东省科学院））；University of Electronic Science and Technology of China（电子科技大学）
哈希算法在计算用户对项目的偏好时具有较高的计算效率和存储效率，是解决大规模推荐问题的有效方法。然而，现有的基于哈希的推荐方法仍然存在两个重要问题：1）它们的推荐过程主要依赖于用户与项目的交互和单一的特定内容特征。当交互历史或内容功能不可用时（冷启动问题），它们的性能将严重恶化。2)现有的方法采用松弛优化学习哈希码或采用离散坐标下降法直接求解二进制哈希码，这会导致大量的量化损失或消耗大量的计算时间。在本文中，我们提出了一种快速冷启动推荐方法，称为多特征离散协同过滤（MFDCF），以解决这些问题。具体而言，低秩自加权多特征融合模块的设计，自适应投影的多个内容特征到二进制但信息哈希码充分利用其互补性。此外，我们开发了一个快速的离散优化算法，直接计算的二进制哈希码与简单的操作。在两个公开的推荐数据集上的实验表明，MFDCF在各个方面都优于现有的推荐算法。
2020-03-24 cs.IR cs.LG
Metric Learning for Tag Recommendation: Tackling Data Sparsity and Cold Start Issues
Southwest Jiaotong University（西南交通大学）；Carnegie Mellon University（卡内基梅隆大学）；University of Southern California（南加州大学）
本文提出一种基于度量学习的标签推荐算法，通过学习距离或相似性度量捕捉用户偏好与物品特征差异，有效解决数据稀疏和冷启动问题，在多项指标上优于LRML、CML和ATF基线方法。
2024-11-10 cs.IR cs.LG
Privileged Graph Distillation for Cold Start Recommendation
Hefei University of Technology（合肥工业大学）；Hefei Comprehensive National Science Center（合肥综合性国家科学中心）；Anhui University（安徽大学）
推荐系统中的冷启动问题是一个长期存在的挑战，它要求在没有任何历史交互记录的情况下，基于属性向新用户（项目）推荐。在这些推荐系统中，温暖的用户（项目）有特权的互动记录的合作信号相比，冷启动用户（项目），这些协同过滤（CF）信号被证明有竞争力的推荐性能。许多研究者提出学习协作信号嵌入空间和属性嵌入空间之间的相关性来改进冷启动推荐，其中用户和项目分类属性在许多在线平台中是可用的。然而，冷启动建议仍然受到两个嵌入空间建模和简单的空间变换假设的限制。由于用户-项目交互行为和用户（项目）属性自然形成了一个异构的图结构，本文提出了一个特权图蒸馏模型PGD。教师模型是由一个异构的图形结构的温暖的用户和项目的特权CF链接。学生模型由一个没有CF链接的实体-属性图组成。具体来说，教师模型可以通过从构建的异构图中注入复杂的高阶关系来学习每个实体的更好嵌入。学生模型可以从教师嵌入学习具有特权CF嵌入的提取输出。我们提出的模型一般适用于不同的冷启动场景与新用户，新项目，或新用户新项目。最后，在真实世界数据集上的大量实验结果清楚地表明了我们提出的模型对不同类型的冷启动问题的有效性，在三个数据集上，平均$6.6\%, 5.6\%, $和$17.1\%$分别比最先进的基线有所改善。
2021-05-31 cs.IR cs.LG
A Semi-Personalized System for User Cold Start Recommendation on Music Streaming Apps
Deezer Research（Deezer研究院）；École Polytechnique（巴黎综合理工学院）；Univ. Paris Dauphine（巴黎多芬大学）
音乐流媒体服务严重依赖推荐系统来改善用户体验，帮助他们浏览大型音乐目录并发现新的歌曲，专辑或艺术家。然而，向新用户推荐相关和个性化的内容，很少或根本没有与目录的交互，是具有挑战性的。这通常被称为用户冷启动问题。在这篇应用论文中，我们提出了最近部署在音乐流媒体服务Deezer上的系统来解决这个问题。该解决方案利用半个性化推荐策略，基于深度神经网络架构和来自异构信息源的用户聚类。我们广泛地展示了这个系统的实际影响及其在预测Deezer上冷启动用户未来音乐偏好方面的有效性，通过离线和在线大规模实验。此外，我们公开发布我们的代码以及我们实验中的匿名使用数据。我们希望此次产业资源的释放，能对未来用户冷启动推荐的研究有所裨益。
2021-06-07 cs.IR cs.LG
A Deep Multimodal Approach for Cold-start Music Recommendation
Universitat Pompeu Fabra（庞培法布拉大学）；Pandora Media, Inc.（潘多拉媒体公司）
每天都有越来越多的数字音乐被发布。音乐流媒体服务通常会摄取所有可用的音乐，但这带来了一个挑战：如何推荐缺乏先验知识的新艺术家？在这项工作中，我们的目标是通过使用深度网络架构将文本和音频信息与用户反馈数据相结合来解决这个所谓的冷启动问题。我们的方法分为三个步骤。首先，通过结合语义、文本特征和聚合使用数据，从传记中学习艺术家嵌入。第二，从音频信号和可用的反馈数据学习轨道嵌入。最后，艺术家和轨道嵌入在一个多模态网络相结合。结果表明，在特征级别之间分割推荐问题（即，艺术家元数据和音轨），并且在多模式方法中合并特征嵌入提高了推荐的准确性。
2017-07-24 cs.IR cs.LG
Incremental Factorization Machines for Persistently Cold-starting Online Item Recommendation
The University of Tokyo（东京大学）
现实世界中的项目管理器通常遭受持续的冷启动问题，这是由动态变化的用户和项目引起的。为了克服这个问题，最近提出了几种上下文感知推荐技术。就可行性和性能而言，因子分解机（FM）作为传统矩阵分解技术的推广，是最有前途的方法之一。然而，由于在线算法适用于动态数据，静态FM仍然是不够的。因此，本文提出了增量FM（iFM），一个通用的在线分解框架，特别是扩展到一个在线项目推荐iFM。建议的框架可以是一个有前途的基线，为进一步发展的生产推荐系统。评估是在合成和真实世界的不稳定数据集上根据经验进行的。
2016-07-11 cs.IR cs.LG
MoToRec: Sparse-Regularized Multimodal Tokenization for Cold-Start Recommendation
MoToRec通过稀疏正则化的多模态分词方法，解决冷启动推荐中的数据稀疏性和新物品表示问题，提升推荐系统性能。
2026-03-03 cs.IR cs.LG
General Item Representation Learning for Cold-start Content Recommendations
Seoul National Univ.（首尔大学）；Kakao Brain
针对冷启动推荐中原始内容信息未充分利用的问题，提出一种基于Transformer架构、免分类标签的领域无关多模态物品表示学习框架，实验证明其能更好保留细粒度用户品味并大规模适用于多个领域。
2024-04-22 cs.IR cs.LG cs.MM
Large Language Models as Data Augmenters for Cold-Start Item Recommendation
针对传统推荐系统在冷启动物品上缺乏历史交互的问题，提出利用LLM作为数据增强器，基于用户历史和物品描述推断偏好，并通过辅助成对损失将增强信号融入模型，显著提升了多种推荐模型在冷启动场景下的性能。
2024-02-18 cs.IR
Personalized and Multi-View Representation for Federated Cold-Start Recommendation
针对联邦冷启动推荐的双重约束与三类局限，提出PMFRec方法，通过个性化生成器、多视图编码器及知识融合提升冷项目推荐性能与公平性、适应性及鲁棒性。
2026-08-31 cs.IR cs.LG
Wasserstein Collaborative Filtering for Item Cold-start Recommendation
The Chinese University of Hong Kong（香港中文大学）；Tencent Quantum Lab（腾讯量子实验室）；Tsinghua-Berkeley Shenzhen Institute（清华-伯克利深圳学院）
项目冷启动问题严重限制了协同过滤（CF）方法的推荐性能时，新的项目没有或很少的互动。为了解决这个问题，许多现代互联网应用程序提出预测一个新的项目的互动从拥有的内容。然而，很难设计和学习项目的交互历史和相应内容之间的映射。在本文中，我们应用Wasserstein距离来解决项目冷启动问题。给定项目的内容信息，我们可以计算之间的相似性的互动项目和冷启动的，使用户的偏好冷启动项目可以推断通过最小化的Wasserstein距离分布在这两种类型的项目。我们进一步采用CF的思想，提出Wasserstein CF（WCF），以提高冷启动项目的推荐性能。实验结果表明，WCF的优越性，国家的最先进的方法。
2019-09-10 cs.IR cs.LG stat.ML
Cross-Modal Content Inference and Feature Enrichment for Cold-Start Recommendation
本文提出CIERec框架，通过图像标注引导视觉到语义的映射，并融合协同、视觉与跨模态推断表示来增强内容特征，从而显著提升冷启动推荐性能。
2023-07-06 cs.IR
Addressing Item-Cold Start Problem in Recommendation Systems using Model Based Approach and Deep Learning
Ss. Cyril and Methodius University（圣基里尔和麦托迪大学）
传统的推荐系统依赖于过去的使用数据来生成新的推荐。这些方法无法为新用户和系统中的项目生成合理的推荐，因为缺少有关他们过去交互的信息。在本文中，我们提出了一个解决方案，成功地解决项目冷启动问题，使用基于模型的方法和深度学习的最新进展。特别地，我们使用潜在因素模型进行推荐，当无法从使用数据中获得潜在因素时，使用卷积神经网络从项目的描述中预测潜在因素。通过对可用使用数据应用矩阵因式分解获得的潜在因子被用作地面实况以训练卷积神经网络。为了创建新项的潜在因子表示，卷积神经网络使用它们的文本描述。实验结果表明，所提出的方法显着优于几个基线估计。
2017-06-18 cs.IR cs.LG stat.ML
Sequential Recommendation for Cold-start Users with Meta Transitional Learning
顺序排序器面临的一个基本挑战是捕捉用户的顺序模式，以建模用户如何在项目之间传输。然而，在许多实际场景中，有大量的冷启动用户，只有最少的记录交互。其结果是，现有的顺序推荐模型将失去其预测能力，由于在学习顺序模式的用户只有有限的互动的困难。在这项工作中，我们的目标是改善顺序推荐的冷启动用户与一个新的框架名为MetaTL，学习模型的过渡模式的用户通过元学习。具体而言，建议MetaTL：（i）制定顺序推荐冷启动用户作为一个少样本学习问题;（ii）提取动态过渡模式与基于预防的架构用户之间;（iii）采用Meta过渡学习，使快速学习的冷启动用户只有有限的互动，导致准确的推理顺序的互动。
2021-07-13 cs.IR
Bridging the Topological Divide: Dual-Branch Graph Distillation with Semantic Priors for Robust Cold-Start Recommendation
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
针对图协同过滤在冷启动场景的表示崩溃问题，提出双分支图知识蒸馏框架DualGCN，通过两阶段训练与动态范数重构机制，在三个数据集上实现冷启动推荐性能提升。
2026-10-14 cs.IR cs.LG
AppQ: Warm-starting App Recommendation Based on View Graphs
Beijing Jiaotong University（北京交通大学）；The Pennsylvania State University（宾夕法尼亚州立大学）；King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学）
当前的应用排名和推荐系统主要基于用户生成的信息，例如，下载次数和评分。然而，新的应用程序通常很少（甚至没有）用户反馈，遭受经典的冷启动问题。如何快速识别并推荐高质量的新应用程序是一个具有挑战性的问题。在这里，一个基本的要求是能够根据应用程序的固有特征而不是用户生成的特征来准确衡量应用程序的质量。由于用户通过与视图交互来获得应用程序的第一手体验，因此我们推测，先天功能在很大程度上与应用程序中各个视图的视觉质量以及视图相互切换的方式有关。在这项工作中，我们提出了AppQ，一个新的应用程序质量分级和推荐系统，提取应用程序的先天特征的基础上应用程序的源代码。特别地，AppQ并行地工作以执行代码分析来提取应用级特征，以及动态分析来捕获视图级布局层次结构和视图之间的切换。然后，每个应用程序被表示为属性视图图，该属性视图图被转换为向量并被馈送到分类器以识别其质量类别。我们使用Google Play的应用数据集进行的评估报告显示，AppQ实现了最佳性能，准确率为85.0%。这显示了AppQ在启动应用分级和推荐系统方面的巨大潜力。
2021-09-08 cs.IR cs.LG
Representation Learning for cold-start recommendation
Sorbonne Universités, UPMC Univ Paris 06（索邦大学，巴黎第六大学（UPMC））；Ecole Centrale Marseille（马赛中央理工学院）；Aix-Marseille Univ.（艾克斯-马赛大学）
协同过滤（CF）的标准方法，即预测用户对项目的评分，依赖于矩阵分解技术。用户和项目的表示都是根据观察到的评级计算的，并用于预测。不幸的是，这些转换方法不能处理新用户到达系统的情况，没有已知的评级，一个被称为用户冷启动的问题。在这种情况下，一种常见的方法是要求这些传入用户提供一些初始化评级。本文提出了一个模型来解决这个双重问题：（i）找到好的问题，（ii）从这少量的信息中构建有效的表示。该模型也可以用于更标准（温暖）的上下文中。我们的方法进行评估的经典CF问题和冷启动问题上的四个不同的数据集显示其能力，以提高基线性能在这两种情况下。
2015-06-22 cs.IR cs.LG
Personalized Transfer of User Preferences for Cross-domain Recommendation
Key Lab of Intelligent Information Processing of Chinese Academy of Sciences (CAS), Institute of Computing Technology, CAS（中国科学院智能信息处理重点实验室，中国科学院计算技术研究所）；Institute of Artificial Intelligence, Beihang University（北京航空航天大学人工智能研究院）；University of Chinese Academy of Sciences（中国科学院大学）；WeChat Search Application Department, Tencent（腾讯微信搜索应用部）；SKLSDE, School of Computer Science, Beihang University（北京航空航天大学计算机学院软件开发环境国家重点实验室）
冷启动问题仍然是推荐系统中一个非常具有挑战性的问题。幸运的是，辅助源域中冷启动用户的交互可以帮助目标域中的冷启动推荐。跨域推荐是解决冷启动问题的一种有效方法，如何将用户的偏好从源域传递到目标域是跨域推荐的关键问题。大多数现有的方法模型的一个共同的偏好桥转移偏好的所有用户。直觉上，由于用户之间的偏好不同，因此不同用户的偏好桥应该不同。沿着这条线，我们提出了一个新的框架命名为个性化的跨域推荐（PTUPCDR）的用户偏好转移。具体地说，一个Meta网络馈与用户的特征嵌入学习，以产生个性化的桥梁功能，实现个性化的转移的偏好，为每个用户。为了稳定地学习Meta网络，我们采用了面向任务的优化过程。利用元生成的个性化桥函数，可以将源域中的用户偏好嵌入转换到目标域中，并将转换后的用户偏好嵌入作为冷启动用户在目标域中的初始嵌入。使用大型的真实世界的数据集，我们进行了广泛的实验，以评估PTUPCDR的有效性的冷启动和热启动阶段。该代码已在https://github.com/easezyc/WSDM2022-PTUPCDR上提供。
2021-12-19 cs.IR cs.LG
Solving cold start in news recommendations: a RippleNet-based system for large scale media outlet
Warsaw University of Technology（华沙技术大学）；AGH University（AGH大学）；University of Warsaw（华沙大学）
本文提出一种基于RippleNet的可扩展新闻推荐系统，通过整合基于内容的物品嵌入解决新内容冷启动问题，并在Onet.pl平台成功部署。
2025-11-03 cs.IR cs.LG
Metadata Embeddings for User and Item Cold-start Recommendations
我提出了一个混合矩阵分解模型表示用户和项目的线性组合，其内容特征的潜在因素。该模型在冷启动或稀疏交互数据场景（使用用户和项目元数据）中优于协作和基于内容的模型，并且至少与交互数据丰富的纯协作矩阵分解模型一样好。此外，由模型产生的特征嵌入以一种让人联想到词嵌入方法的方式对语义信息进行编码，使其对一系列相关任务（如标签推荐）非常有用。
2015-07-30 cs.IR
Cold-Starts in Generative Recommendation: A Reproducibility Study
Shandong University（山东大学）；Leiden University（莱顿大学）；Baidu Inc.（百度公司）；University of Amsterdam（阿姆斯特丹大学）
本文研究生成推荐中的冷启动问题，通过统一的冷启动协议评估不同模型的可重复性，探讨冷启动在动态开放平台中的挑战。
2026-04-06 cs.IR
Cold-start Playlist Recommendation with Multitask Learning
The Australian National University（澳大利亚国立大学）；Data61, CSIRO（联邦科学与工业研究组织数据61研究所）
播放列表推荐涉及产生用户可能喜欢的一组歌曲。我们在三个冷启动场景中研究这个问题：（i）冷播放列表，其中我们推荐歌曲以形成现有用户的新的个性化播放列表;（ii）冷用户，其中我们推荐歌曲以形成新用户的新播放列表;以及（iii）冷歌曲，其中我们推荐新发布的歌曲以扩展用户的现有播放列表。我们提出了一个灵活的多任务学习方法来处理所有三个设置。该方法从用户策划的播放列表中学习，并通过最小化二分排名损失来鼓励播放列表中的歌曲排名高于那些不排名的歌曲。受二分排序和二进制分类之间的等价性的启发，我们展示了如何通过最小化分类损失来有效地近似多任务学习目标的最优解。在两个真实播放列表数据集上的实验结果表明，该方法具有良好的冷启动播放列表推荐性能。
2019-01-18 cs.IR cs.LG stat.ML
Solving Cold Start Problem in Recommendation with Attribute Graph Neural Networks
School of Computer Science, Wuhan University（武汉大学计算机学院）；Department of Computing, The Hong Kong Polytechnic University（香港理工大学计算学系）
矩阵完备化是推荐系统中的一个经典问题。传统上用矩阵分解来处理它。最近，基于深度学习的方法，特别是图神经网络，在这个问题上取得了令人印象深刻的进展。尽管它们的有效性，现有的方法集中在建模的用户-项目交互图。这种方法的固有缺点是它们的性能与相互作用的密度有关，然而这种相互作用的密度通常是高稀疏性的。更重要的是，对于不具有任何交互的冷启动用户/项目，这样的方法不能学习用户/项目的偏好嵌入，因为在图中不存在到该用户/项目的链接。在这项工作中，我们开发了一个新的框架属性图神经网络（AGNN）利用属性图，而不是常用的交互图。这导致了学习冷启动用户/项目的嵌入的能力。我们的AGNN可以产生的偏好嵌入一个冷用户/项目通过学习的属性分布与扩展的变分自动编码器结构。此外，我们提出了一种新的图神经网络变体，即，Gated-GNN，以有效地聚合邻域中不同模态的各种属性。两个真实世界的数据集上的实证结果表明，我们的模型产生了显着的改善冷启动建议，并优于或匹配的最先进的性能在热启动的情况下。
2021-02-26 cs.IR cs.LG
IDProxy: CTR Prediction with Multimodal LLMs for Cold-Start Recommendation at Xiaohongshu
Xiaohongshu Inc.（小红书公司）；Shanghai Jiao Tong University（上海交通大学）；Fudan University（复旦大学）
IDProxy通过多模态大语言模型生成代理嵌入，解决广告和推荐系统中物品冷启动的CTR预测问题，实现与现有嵌入空间的对齐和端到端优化，已在小红书大规模应用。
2026-09-22 cs.IR cs.LG
Graph Neural Patching for Cold-Start Recommendations
本文提出图神经补丁框架GNP，通过GWarmer建模热启动协同信号并用Patching Networks模拟增强冷启动推荐，在不牺牲热启动性能的前提下解决冷启动问题。
2024-10-18 cs.IR
Offline Meta-level Model-based Reinforcement Learning Approach for Cold-Start Recommendation
University of Arizona（亚利桑那大学）；Samsung Research America（三星美国研究院）；University of Science and Technology of China（中国科学技术大学）
强化学习（RL）在优化推荐系统中的长期用户兴趣方面表现出很大的潜力。然而，现有的基于RL的推荐方法需要大量的交互，每个用户学习一个强大的推荐策略。当向具有有限数量的交互的新用户推荐时，挑战变得更加关键。为此，在本文中，我们提出了一个元级的基于基于模型的强化学习方法，快速用户适应的RL为基础的推荐系统中的冷启动的挑战。在我们的方法中，我们学会了推断每个用户的偏好与用户上下文变量，使推荐系统，以更好地适应新用户的互动很少。为了提高适应效率，我们学会了恢复用户的政策和奖励，只有几个互动，通过逆强化学习方法，以协助元级推荐代理。此外，我们从信息论的角度建模的用户模型和推荐代理之间的交互关系。实验结果表明，该方法的有效性时，适应新用户只有一个单一的交互序列。我们进一步提供了一个理论分析的推荐性能界。
2020-12-04 cs.AI cs.IR cs.LG
Transferable Fairness for Cold-Start Recommendation
随着推荐系统在日常生活中的应用和影响越来越大，如何实现推荐的公平性成为一个重要的问题。以往的公平性推荐工作主要集中在一个预定义的（通常是热启动）用户集。然而，由于新用户或冷启动用户的交互量不足，推荐系统通常面临更具挑战性的公平性问题。因此，研究训练后的模型是否仍然适用于一组新的冷启动用户是至关重要的。本文考虑的情况下，推荐系统满足新用户只有有限的，甚至没有互动的平台，并旨在提供高质量的和公平的建议，有效地给这样的用户。该算法将来自活跃用户的足够多的交互数据作为源用户域，将来自新用户的交互数据作为目标用户域，并考虑将反事实公平性从源用户转移到目标用户。为此，我们引入了一个框架，以实现可转移的反事实公平的建议。该方法能够将从源用户学习到的公平模型知识传递给目标用户，从而提高推荐性能并保持对目标用户的公平性。在两个具有代表性的推荐算法的真实数据集上的实验表明，该方法不仅提高了对目标用户的公平性，而且在推荐性能方面优于比较模型。
2023-01-25 cs.IR
Improving Item Cold-start Recommendation via Model-agnostic Conditional Variational Autoencoder
嵌入式MLP已经成为现代大规模推荐系统的一种范式。然而，这种模式遭受冷启动问题，这将严重损害生态健康的推荐系统。本文试图通过为具有历史数据和有限交互记录的冷项目生成增强的预热ID嵌入来解决项目冷启动问题。从行业实践的角度来看，我们主要关注以下三点项目冷启动：1）在线推荐场景下，如何在没有额外数据需求的情况下进行冷启动，并使策略易于部署。2)如何利用历史记录和新项目不断出现的交互数据。3)如何从交互数据中稳定地建模项目ID和辅助信息之间的关系。为了解决这些问题，我们提出了一个模型无关的条件变分自编码器为基础的推荐（CVAR）框架，具有一些优点，包括各种骨干兼容性，没有额外的数据要求，利用历史数据和最近出现的互动。CVAR使用潜变量来学习项目边信息的分布，并使用条件解码器生成所需的项目ID嵌入。通过在公开数据集上的大量离线实验和在腾讯新闻推荐平台上的在线A/B测试，进一步验证了CVAR的优势和鲁棒性。
2022-05-27 cs.IR
Content based News Recommendation via Shortest Entity Distance over Knowledge Graphs
基于内容的新闻推荐系统需要在不使用用户特定信息的情况下基于文章的主题和内容来推荐新闻文章。许多新闻文章描述特定事件的发生和命名实体，包括人，地点或物体。在本文中，我们提出了一个图遍历算法，以及一个新的加权方案冷启动内容为基础的新闻推荐利用这些命名实体。为了创建更高程度的用户特定的相关性，我们的算法计算命名实体之间的最短距离，跨新闻文章，在一个大的知识图谱。此外，我们已经创建了一个新的人类注释数据集，用于评估基于内容的新闻推荐系统。实验结果表明，我们的方法是合适的，以解决硬冷启动问题，它产生更强的皮尔逊相关性的人类相似性分数比其他冷启动方法。我们的方法也是互补的，与传统的冷启动推荐方法相结合，可能会产生显着的性能增益。数据集CNRec可在以下网址获得：https://github.com/kevinj22/CNRec
2019-05-24 cs.IR cs.LG stat.ML
Cold-start Problems in Recommendation Systems via Contextual-bandit Algorithms
在本文中，我们研究了一个冷启动问题，在推荐系统中，我们有完全新的用户进入系统。新用户以前没有与系统进行任何互动或反馈，因此没有评分。琐碎的方法是选择随机的项目或最流行的推荐给新用户。然而，这些方法在许多情况下表现不佳。在这项研究中，我们提供了一个新的面貌，这种冷启动问题的推荐系统。事实上，我们把这个冷启动问题作为一个上下文强盗问题。不需要关于新用户和新项目的额外信息。我们认为所有过去的评级，以前的用户作为上下文信息集成到推荐框架。为了解决这类冷启动问题，我们提出了一种新的有效的方法，这是基于LinUCB算法的上下文强盗问题。实验是在三个不同的公开数据集上进行的，即Movielens，Netflix和Yahoo！音乐.新提出的方法也与其他国家的最先进的技术进行了比较。实验表明，我们的新方法显着改善所有这些方法。
2014-05-29 cs.IR
LLM is Knowledge Graph Reasoner: LLM's Intuition-aware Knowledge Graph Reasoning for Cold-start Sequential Recommendation
针对冷启动序列推荐中时间信息缺失和可扩展性问题，提出LIKR模型，将LLM作为知识图谱推理器，通过强化学习整合LLM直觉与图谱嵌入，提升冷启动推荐性能。
2024-12-17 cs.IR
The item selection problem for user cold-start recommendation
The Chinese University of Hong Kong（香港中文大学）
当一个新用户刚刚在网站上注册时，我们通常没有关于他/她的信息，即没有与项目的交互，没有用户简档，也没有与其他用户的社交链接。在这种情况下，我们仍然期望我们的推荐系统能够在第一时间吸引用户，使用户决定留在网站上，成为活跃用户。这个问题属于新用户冷启动的范畴，对企业的发展乃至生存至关重要。关于用户冷启动推荐的现有工作需要额外的用户努力，例如设置面试过程，或者利用诸如用户人口统计，位置，社会关系等的边信息[10]。因此，我们考虑一个纯冷启动的情况下，既没有互动，也没有边信息是可用的，不需要用户的努力。研究此设置对于其他冷启动解决方案的初始化也很重要，例如初始化面试的前几个问题。
2020-10-27 cs.IR cs.LG cs.SI
Firzen: Firing Strict Cold-Start Items with Frozen Heterogeneous and Homogeneous Graphs for Recommendation
针对现有推荐方法难以兼顾严格冷启动与热启动性能的问题，本文提出融合多模态内容与知识图谱的Firzen框架，通过冻结异构图与同构图提取多维度信息，在两类场景下均取得优异表现。
2024-10-10 cs.IR
Deep Pairwise Hashing for Cold-start Recommendation
推荐效率和数据稀疏性问题一直被认为是提高在线推荐性能的两个挑战。以前的相关工作大多集中在提高推荐准确率，而不是效率。在本文中，我们提出了一个深度成对哈希（DPH）映射用户和项目的二进制向量在汉明空间，其中用户的偏好可以有效地计算一个项目的汉明距离，这显着提高了在线推荐的效率。为了缓解数据稀疏和冷启动问题，用户-项目交互信息和项目内容信息相结合，学习项目和用户的有效表示。具体来说，我们首先通过去噪自动编码器而不是其他确定性深度学习框架从项目内容数据中预训练鲁棒的项目表示;然后通过添加具有离散约束的成对损失目标来微调整个框架;此外，DPH旨在最小化与推荐的最终目标一致的成对排名损失。最后，我们采用交替优化方法优化所提出的模型与离散约束。在三个不同数据集上的大量实验表明，DPH可以显着提高数据稀疏性和项目冷启动推荐方面的最先进的框架。
2020-11-02 cs.IR
Cold-start Sequential Recommendation via Meta Learner
University of Electronic Science and Technology of China（电子科技大学）；University of Chinese Academy of Sciences（中国科学院大学）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；Institute of Automation and Artificial Intelligence Research, Chinese Academy of Sciences（中国科学院自动化与人工智能研究院）
本文探讨了元学习在顺序推荐中的应用，以缓解项目冷启动问题。顺序推荐是基于用户的历史行为序列来获取用户的动态偏好，是大多数在线推荐场景的关键组成部分。然而，大多数以前的方法都难以推荐冷启动项目，这在这些场景中很普遍。由于顺序推荐任务的设置中一般不存在边信息，当只有用户-项目交互时，以前的冷启动方法不能应用。因此，我们提出了一个基于元学习的冷启动顺序推荐框架，即Mecos，以减轻项目冷启动问题的顺序推荐。这项任务是不平凡的，因为它在一个新的和具有挑战性的背景下针对一个重要的问题。Mecos有效地从有限的交互中提取用户偏好，并学会将目标冷启动项目与潜在用户相匹配。此外，我们的框架可以轻松地集成到基于神经网络的模型。在三个真实世界数据集上进行的广泛实验验证了Mecos的优越性，与最先进的基线方法相比，HR@10的平均改善高达99%，91%和70%。
2020-12-10 cs.AI cs.IR
When Federated Recommendation Meets Cold-Start Problem: Separating Item Attributes and User Interactions
本文提出IFedRec方法，通过同时学习物品属性与交互记录两组表示并对齐，首次系统解决联邦推荐中的冷启动问题，实验证明其性能优越且鲁棒性好。
2024-02-24 cs.IR
Knowledge-aware Neural Networks with Personalized Feature Referencing for Cold-start Recommendation
将知识图谱（KGs）作为推荐中的辅助信息近来引起了相当大的关注。尽管在一般推荐场景中取得了成功，但是现有方法对于其中用户与非常有限的交互信息相关联的冷启动问题可能达不到性能满意度。由于传统的方法依赖于探索的互动拓扑结构，但他们可能无法捕捉足够的信息，在冷启动的情况下。为了缓解这个问题，我们提出了一种新的知识感知的神经网络与个性化特征引用机制，即KPER。与大多数现有方法不同的是，这些方法简单地从KG中丰富目标的语义，例如，产品属性，KPER利用KG作为“语义桥”来提取冷启动用户或项目的特征引用。具体来说，给定冷启动目标，KPER首先探测语义相关但不一定结构上接近的用户或项目作为自适应种子用于引用特征。然后引入门控信息聚合模块来学习冷启动用户和项目的组合潜在特征。我们在四个真实世界数据集上的广泛实验表明，KPER在冷启动场景中始终优于所有竞争方法，同时在一般场景中保持优越性而不影响整体性能，例如，通过在Top-10建议中的所有数据集上实现0.81%-16.08%和1.01%-14.49%的性能改进。
2022-09-28 cs.IR
LLM-Derived Priors for Thompson Sampling in Cold-Start Comment Recommendation
NAVER WEBTOON
该研究提出用大语言模型（LLM）从评论文本提取语义信号生成贝叶斯先验，用于冷启动评论推荐的汤普森采样，经在线A/B/C测试验证其在稀疏反馈场景中效果显著。
2026-08-05 cs.IR cs.LG
Contrastive Collaborative Filtering for Cold-Start Item Recommendation
冷启动问题是推荐系统中一个长期存在的问题。作为一个有前途的解决方案，基于内容的生成模型通常投影一个冷启动项目的内容到一个热启动项目嵌入捕获项目内容的协同信号，以便可以应用协同过滤。然而，由于冷启动推荐模型的训练是在暖数据集上进行的，现有方法存在项目的协同嵌入模糊的问题，严重影响了冷启动项目推荐的性能。为了解决这个问题，我们提出了一种新的模型称为冷启动项目推荐的对比协同过滤（CCFCRec），它利用了在温暖的训练数据，以减轻模糊的协同嵌入冷启动项目推荐的问题同现合作信号。特别是，我们设计了一个对比协同过滤（CF）框架，包括一个内容CF模块和一个同现CF模块，分别生成基于内容的协同嵌入和同现协同嵌入的训练项目。在两个协同过滤模块的联合训练过程中，我们在两个协同嵌入之间进行对比学习，从而将同现信号的相关知识间接传递给内容协同过滤模块，从而在应用阶段利用记忆的同现信号对模糊协同嵌入进行隐式修正。在理论分析的基础上，通过在真实数据集上的大量实验，验证了该模型的优越性。代码和数据集可在https://github.com/zzhin/CCFCRec上获得。
2023-02-22 cs.IR
Towards Practical Large-scale Dynamical Heterogeneous Graph Embedding: Cold-start Resilient Recommendation
本文提出了一种两阶段方法，结合HetSGFormer和ILLE，以实现大规模动态异构图嵌入的冷启动鲁棒性和高效更新。
2025-12-15 cs.IR cs.LG
Factorizing LambdaMART for cold start recommendations
University of Geneva（日内瓦大学）；Expedia, Inc（亿客行公司）
推荐系统通常依赖于逐点损失度量，例如均方误差。然而，在真实的推荐设置中，只有很少的项目被呈现给用户。这一观察结果最近鼓励使用基于等级的度量标准。LambdaMART是学习排序中最先进的算法，它依赖于这样的度量。尽管它取得了成功，但它没有一个原则性的正则化机制，依赖于经验方法来控制模型的复杂性，从而使其易于过拟合。由于用户和项目的描述以及偏好行为往往可以很好地概括为少量的隐藏因素，我们提出了一种新的算法，LambdaMART矩阵分解（LambdaMART-MF），使用梯度提升树学习用户和项目的低秩潜在表示。该算法通过将相关性分数定义为用户和项目的学习表示的内积来分解EudaMART。低秩本质上是一个模型复杂度控制器;在此基础上，我们提出了额外的正则化器来约束反映用户和项目流形的学习潜在表示，因为这些表示是由其原始的基于特征的描述符和偏好行为定义的。最后，我们还建议使用NDCG的加权变体，以减少对评分差异较大的类似项目的惩罚。我们在两个非常不同的推荐数据集上进行了实验，元挖掘和电影用户，并在冷启动设置以及更简单的矩阵完成设置中评估了LambdaMART-MF的性能。在这两种情况下，它都以显著的方式优于当前最先进的算法。
2015-11-04 cs.IR cs.LG
Conditional Restricted Boltzmann Machines for Cold Start Recommendations
Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；School of Information Science and Engineering, University of Chinese Academy of Sciences（中国科学院大学信息科学与工程学院）
受限玻尔兹曼机（RBM）已经成功地应用于推荐系统中。然而，与大多数其他协同过滤技术一样，它不能解决冷启动问题，因为没有对新项目的评级。本文首先应用条件RBM（CRBM），它可以考虑额外的信息，并表明CRBM可以很好地解决冷启动问题，特别是额定值预测任务。CRBM自然地将内容和协作数据结合在一个可以有效适应的框架下。实验表明，CRBM可以媲美矩阵分解模型，而从前一个模型学习的隐藏特征更容易被解释。
2014-08-01 cs.IR cs.LG stat.ML
MAMO: Memory-Augmented Meta-Optimization for Cold-start Recommendation
University of New South Wales（新南威尔士大学）；Data 61, CSIRO（澳大利亚联邦科学与工业研究组织数据61分部）
当前大多数推荐系统面临的一个共同挑战是冷启动问题。由于缺乏用户与项目的交互，经过微调的推荐系统无法处理新用户或新项目的情况。近年来，一些研究工作将元优化思想引入到推荐场景中，即通过用户过去交互过的几个项目来预测用户的偏好。其核心思想是为所有用户学习一个全局共享初始化参数，然后分别为每个用户学习局部参数。然而，大多数基于元学习的推荐方法采用模型无关元学习进行参数初始化，其中全局共享参数可能会导致模型对于某些用户陷入局部最优。在本文中，我们设计了两个记忆矩阵，可以存储任务特定的记忆和特征特定的记忆。具体而言，特征特定记忆用于引导模型进行个性化参数初始化，而任务特定记忆用于引导模型快速预测用户偏好。我们采用了元优化方法来优化所提出的方法。我们在两个广泛使用的推荐数据集上测试了该模型，并考虑了四种冷启动情况。实验结果表明了该方法的有效性。
2020-07-07 cs.IR cs.LG stat.ML
Addressing the Extreme Cold-Start Problem in Group Recommendation
向一组用户推荐商品的任务，也就是集团的建议，正受到越来越多的关注。然而，在推荐系统中固有的冷启动问题被放大的群体推荐，因为在实践中，群体和项目之间的交互数据是非常稀缺的。大多数现有的工作利用组和项目之间的关联，以减轻数据稀缺的问题。然而，现有的方法不可避免地失败，在极端的冷启动的情况下，缺乏组和项目之间的关联。为此，我们设计了一个适合极端冷启动场景的EXreme cold-star群组推荐模型。EXTRE背后的基本思想是利用图卷积神经网络的极限理论来建立组和项之间的隐式关联，而这些关联的推导不需要显式的交互数据，因此适用于冷启动场景。EXTRE的训练过程依赖于新定义的和可解释的一致性和差异性概念，而不是常用的负抽样与成对排序，这可以提高组推荐的性能。大量的实验验证了所提出的模型EXTRE的有效性。
2022-10-18 cs.IR cs.SI
Collaborative Generative Hashing for Marketing and Fast Cold-start Recommendation
随着电子商务中数据的爆炸式增长，冷启动成为推荐系统中的一个关键问题。大多数现有的研究提出，以减轻冷启动问题也被称为混合推荐系统，学习表示的用户和项目相结合的用户项目的互动和用户/项目的内容信息。然而，以前的混合方法经常遭受低效率的在线推荐与大规模的项目，因为他们的目的是投影到连续的潜在空间中的在线推荐是昂贵的。为此，我们提出了一个协同生成哈希（CGH）框架，以提高效率，表示用户和项目的二进制代码，然后快速哈希搜索技术可以用来加快在线推荐。此外，建议CGH可以产生潜在的用户或项目的营销应用，其中生成网络的设计与最小描述长度（MDL）的原则，这是用来学习紧凑和信息的二进制代码。在两个公共数据集上的实验表明，在各种环境下的建议竞争基线的优势，并分析其在营销应用的可行性。
2020-11-02 cs.IR
Pairwise and Attribute-Aware Decision Tree-Based Preference Elicitation for Cold-Start Recommendation
KU Leuven, Campus Kulak, Department of Public Health and Primary Care（KU莱顿大学）；Itec, imec research group at KU Leuven（Itec）；KU Leuven, Department of Mathematics（KU莱顿大学）
提出一种基于成对比较与属性感知的决策树偏好引导方法，通过同时收集物品评分与属性偏好并使用物品对替代单个物品，有效解决了冷启动用户的个性化推荐问题。
2025-10-31 cs.IR cs.LG
Online Item Cold-Start Recommendation with Popularity-Aware Meta-Learning
本文提出流行度感知元学习算法PAM，通过按流行度划分元学习任务、区分特征作用并引入数据增强与自监督损失，解决在线流式数据中的物品冷启动问题。
2025-05-06 cs.IR
